Resumo Técnico: Um Framework Neurosimbólico para Detecção de Crises com Base em Esqueleto Interpretável via Raciocínio Lógico Orientado por Conceitos

Declaração do Problema

A detecção de crises baseada em vídeo é crítica para o manejo da epilepsia, oferecendo uma alternativa não invasiva à eletroencefalografia (EEG). No entanto, as abordagens atuais de aprendizado profundo para esta tarefa enfrentam duas limitações primárias:

1. Falta de Interpretabilidade: Os modelos atuais de estado da arte (SOTA) funcionam como "caixas pretas". Na epileptologia clínica, as decisões dependem da compreensão de uma semiologia motora específica (sinais observáveis como postura tônica ou abalos clônicos) definida pela Liga Internacional Contra a Epilepsia (ILAE). Modelos que detectam crises sem explicitar esses sinais motores subjacentes oferecem valor clínico limitado e dificultam a adoção.
2. Altas Taxas de Falsos Positivos: A maioria dos métodos adota uma formulação binária (crise vs. não-crise). Isso colapsa atividades normais heterogêneas (ex: um paciente mudando de posição) em uma única classe negativa, fazendo com que o modelo confunda atividades de movimento intenso com crises, levando a altas taxas de detecção falsa.

Metodologia

Os autores propõem um framework neurosimbólico que integra percepção neural com raciocínio simbólico para abordar essas lacunas. O framework opera em três estáções:

1. Pré-processamento de Dados e Rotulagem Granular

• Extração de Pose Centrada no Paciente: Para lidar com os desafios únicos de vídeos de Unidades de Monitoramento de Epilepsia (EMU) (ex: pacientes em decúbito dorsal, oclusões por lençóis), os autores empregam um pipeline de modelo de fundação de dois estágios. O SAM 3 segmenta e rastreia o paciente, enquanto o Sapiens-2B extrai 133 pontos-chave do COCO-WholeBody. Estes são mapeados para um formato padrão de 25 articulações do NTU RGB+D para aproveitar backbones de Redes Convolucionais em Grafos (GCN) pré-treinados.
• Subclassificação de Atividade Granular: Em vez de um rótulo binário de "não-crise", os autores utilizam um Modelo de Linguagem-Visão (Qwen3-VL) com prompts clínicos para subclassificar segmentos de não-crise em 8 categorias distintas de atividades normais. Estas são verificadas por anotadores humanos. Isso fornece supervisão discriminativa granular para reduzir falsos positivos.

2. Construção do Banco de Conceitos

Um banco de conceitos unificado ($C$) é construído, fundamentado na semiologia motora da ILAE e em primitivas de atividades normais:

• Conceitos de Atividades Normais: Derivados do dataset NTU RGB+D 120, 74 conceitos (53 espaciais, 21 temporais) são gerados decompondo ações em grupos de partes do corpo e usando LLMs para criar padrões de verbo-direção-modificador.
• Conceitos Específicos de Crise: 19 conceitos espaciais são derivados diretamente do glossário da ILAE (ex: arm_tonic_posture, head_versive_deviation), cobrindo vários tipos de crises (tônica, clônica, mioclônica, etc.).
• Conceitos Temporais Compartilhados: Os 21 conceitos temporais das atividades normais são compartilhados entre ambos os regimes para capturar a dinâmica do movimento.
• Matriz de Associação: Um LLM gera uma matriz de associação binária ligando ações a esses conceitos, refinada para garantir a discriminabilidade.

3. Framework de Inferência Neurosimbólica

A arquitetura central processa sequências de esqueletos através de quatro estágios:

1. Codificador Espaço-Temporal: Um backbone de GCN (Hyper-GCN) extrai características de movimento da sequência do esqueleto.
2. Gargalo de Conceito (Concept Bottleneck): As características são projetadas para ativações de conceitos binários ($\hat{c}$). O modelo é supervisionado para prever a presença de primitivas de movimento específicas (ex: "endurecimento do braço") antes de tomar uma decisão final.
3. Camadas de Lógica Diferenciável: Camadas empilhadas de conjunção (AND) e disjunção (OR) compõem as ativações de conceitos binários em regras Booleanas. Para permitir o treinamento, operações Booleanas discretas são substituídas por relaxações contínuas (usando um Estimador de Passagem Direta/Straight-Through Estimator) que permitem o fluxo de gradiente enquanto mantêm pesos discretos para inferência.
4. Agregação de Regras: Uma camada linear agrega as regras acionadas nos logits da classe. Isso produz uma trilha de auditoria de três níveis:
   • Explicações de Conceito: Quais primitivas motoras foram detectadas.
   • Explicações de Regra: Como os conceitos foram logicamente compostos.
   • Contribuições de Regra: O peso de cada regra na decisão final.

Principais Contribuições

1. Primeiro Framework Neurosimbólico para Detecção de Crises: O artigo apresenta a primeira abordagem de detecção de crises baseada em vídeo que aprende regras Booleanas diferenciáveis sobre conceitos de movimento fundamentados na ILAE, unindo diretamente a lacuna entre aprendizado profundo e raciocínio clínico.
2. Dataset de Esqueleto Granular: Os autores aumentam dois benchmarks públicos (SAHZU e IEEE) com 8 subclasses de atividades normais através de um pipeline de extração de pose focado no paciente e anotação assistida por VLM, liberando publicamente todas as anotações e código.
3. Validação Empírica de Supervisão Granular: O estudo demonstra que combinar supervisão de atividade normal granular com raciocínio neurosimbólico reduz significativamente os falsos positivos em segmentos de movimento intenso, preservando a interpretabilidade.

Resultados Experimentais

O framework foi avaliado nos datasets SAHZU e IEEE Seizure Video, comparando-o com 18 baselines SOTA (incluindo I3D, R3D e vários métodos de esqueleto baseados em GCN).

• Desempenho:
  • SAHZU: Alcançou 89,78% de sensibilidade com 0,06 detecções falsas por hora (FDR). Isso representa um ganho de +7,37% em sensibilidade e uma redução de 68% no FDR em comparação com o baseline de esqueleto mais forte (HyperGCN).
  • IEEE: Alcançou 85,27% de sensibilidade com 0,09 FDR, superando o melhor baseline em +5,74% de sensibilidade e 63% de redução de FDR.
• Estudos de Ablação:
  • Pré-treinamento: O pré-treinamento no NTU-RGB+D 120 foi essencial; removê-lo causou uma queda de 11,16% na sensibilidade.
  • Formulação Multi-rótulo: Mudar de classificação binária para multi-rótulo (granular) melhorou a sensibilidade em 6,47% e reduziu o FDR em 3,5×.
  • Conceitos Temporais: A inclusão de conceitos temporais aumentou a sensibilidade em 9,17 pontos em comparação com conceitos apenas espaciais.
• Interpretabilidade: Ao contrário de todos os outros métodos na comparação, este framework oferece interpretabilidade total, decompondo cada previsão em primitivas motoras detectadas, regras lógicas e contribuições de regras.

Significância e Alegações

Os autores alegam que este trabalho representa um passo significativo para a tradução clínica da IA no manejo da epilepsia. Ao alinhar o raciocínio interno do modelo com as diretrizes clínicas estabelecidas (semiologia da ILAE), o framework oferece tomada de decisão auditável em vez de previsões opacas. A capacidade de decompor uma detecção de crise em regras lógicas específicas (ex: "endurecimento de membros bilaterais" AND "abalo rítmico") permite que clínicos verifiquem o raciocínio do modelo contra sua própria expertise. Além disso, a redução de falsos positivos através da modelagem de atividade granular aborda uma barreira prática importante para o implante da detecção automatizada de crises em ambientes hospitalares reais. Os autores posicionam este como o primeiro estudo de IA neurosimbólica neste domínio específico, estabelecendo uma base para trabalhos futuros em subclassificação de crises e validação clínica mais ampla.